Estadística

Segunda Parte: Probabilidad

Material de Cátedra:
 Licenciatura en Relaciones Internacionales
 Licenciatura y Profesorado en Geografía.
 Licenciatura en Gestión ambiental
 Carrera de Turismo

Autores:
Silvina Etcheverría
María del Carmen Romero

2018
1. INTRODUCCIÓN

Ya se ha señalado en el módulo anterior que el objetivo final del análisis de datos

es el de extraer conclusiones de tipo general (parámetros de una población) a partir de
cálculos efectuados sobre un conjunto particular de datos (estadísticos de una muestra).
Para que este proceso de generalización sea válido la muestra obtenida debe ser
representativa de la población.
El término muestreo se refiere al proceso seguido para extraer una muestra de
una población. El muestreo puede ser de dos tipos: probabilístico y no probabilístico. En
el muestreo probabilístico se conoce (o puede calcularse) la probabilidad asociada a
cada una de las muestras que es posible extraer, cada elemento poblacional posee una
probabilidad conocida (o calculable) de pertenecer a la muestra. En el muestreo no
probabilístico se desconoce o no se tiene en cuenta la probabilidad asociada a cada
muestra. Sólo el muestreo probabilístico permite obtener una idea sobre el grado de
representatividad de la muestra seleccionada.
Se hace necesario entonces estudiar el concepto de probabilidad como así
también las propiedades y reglas que rigen su cálculo.

2. CONCEPTOS BÁSICOS

2.1. Espacio muestral y eventos

La Teoría de Probabilidades estudia los llamados experimentos aleatorios. Ejemplos

clásicos de estos experimentos son los juegos de azar.
Un experimento aleatorio tiene las siguientes características:

1- Se lo puede repetir bajo las mismas condiciones tantas veces como se desee.
2- No se puede predecir con exactitud el resultado de dicho experimento, pero se puede
decir cuáles son los posibles resultados del mismo.

Ejemplo 1:
a) tirar un dado (y registrar el número en la cara de arriba)
b) tirar una moneda (y registrar la fase que se ve)
c) lanzar una moneda tres veces (y registrar la sucesión de caras y cecas obtenidas)
Observación: en los experimentos no aleatorios o deterministas se puede predecir con
exactitud el resultado del experimento, es decir, las condiciones en las que se verifica un
experimento determinan el resultado del mismo. Por ejemplo, si se arroja hacia arriba un objeto
con cierta velocidad inicial, es posible calcular la altura máxima que alcanzará así como el tiempo
que tardará en volver a caer.

1
 El conjunto de todos los resultados posibles de un experimento aleatorio es el espacio
muestral y lo denominaremos con la letra S.
Ejemplo 2:
a) Si el experimento aleatorio es tirar un dado y registrar el número en la cara de arriba,
entonces el espacio muestral S = {1, 2, 3, 4, 5, 6}
b) Si el experimento aleatorio es tirar una moneda, entonces S = {cara, ceca}
c) Si el experimento aleatorio es lanzar una moneda tres veces y registrar la sucesión de
caras y cecas obtenidas, entonces S = {CCC, CCX, CXC, CXX, XCC, XCX, XXC, XXX}, (donde C
representa cara y X ceca).
d) Si el experimento aleatorio es tirar un dado las veces necesarias hasta que sale un 6 por
primera vez, y contar el número de tiros realizados, entonces S = {1, 2, 3, 4, ...} = N, donde N es
el conjunto de los números naturales.
e) Si el experimento aleatorio es medir el tiempo de vida de una lamparita eléctrica,
entonces S = {t ∈ R, t ≥ 0} donde R es el conjunto de los números reales.
Se llama evento o suceso a todo subconjunto del espacio muestral.

Ejemplo 3:
a) En el experimento dado en el Ejemplo 2 a), un posible evento es A: “que salga número
par”. Los elementos de S (espacio muestral) que “cumplen” con este evento son A = {2, 4, 6} (A
está incluido en S). Si se considerara el evento B: “que salga un número menor o igual que 3”, B
= {1, 2, 3}.
b) En el experimento dado en el Ejemplo 2 c), un evento de S sería C: “que salgan por lo
menos dos caras”.

Enumere los elementos de este caso

Pregunta

c) En el experimento dado en el Ejemplo 2 e), un evento de S sería D: “tiempo de duración

de la lamparita mayor a 1200 horas”.

Pregunta ¿Podría enumerar los elementos en este caso?

Observaciones:
1- Un caso particular de eventos, son aquellos que no tienen elementos, esto es, que ningún
elemento del espacio muestral cumple con lo especificado en el evento (el resultado es el
conjunto vacío (∅). Un evento cuyo resultados en el conjunto vacío cumple con la definición
presentada de evento “subconjunto del espacio muestral” (pues el conjunto ∅ está incluido en
todo conjunto, en particular ∅ está incluido en S). Es el evento que nunca ocurre.

2
 Por ejemplo, el evento “que salgan 5 caras” produce un conjunto vacío (no es posible que
suceda ya que en el experimento aleatorio de lanzar una moneda 4 veces no pueden obtenerse
5 caras). Sin embargo, es un evento aplicable a este experimento aleatorio.
Otro caso particular está dado por aquellos eventos cuyos elementos son todos los
elementos del espacio muestral (también cumplen con la condición de ser subconjuntos del
espacio muestral). Estos eventos siempre ocurren. Un ejemplo para el experimento aleatorio de
lanzar 4 monedas sería “que salgan 0 o más caras”.

2- En el ejemplo 3 a) anterior, si al tirar el dado sale el número 2, entonces podemos decir

que A ocurrió pues 2 es un elemento de A. Pero también B ocurrió pues 2 es un elemento de B.
En cambio, si al tirar el dado sale el número 4, entonces el evento A ocurrió pero B no ocurrió,
pues 4 no es un elemento de B.

Es infinita la cantidad de eventos que pueden definirse para un determinado experimento

aleatorio. Cada evento definido siempre debe ir acompañado por el experimento aleatorio ya
que los elementos que cumplan con ese evento dependen del experimento. Los elementos del
evento “que salgan 2 caras o más” no son los mismos si se tiene que el experimento aleatorio
de tirar una moneda 2 veces o de tirar una moneda 4 veces.

2.2. Operaciones entre eventos

Las operaciones habituales entre conjuntos se pueden aplicar a los eventos, dando como
resultado nuevos eventos. Específicamente:
Si A y B son eventos, entonces A∪B (se lee A unión B) es otro evento, A∪B ocurre sí y solo
sí ocurre A u ocurre B.
Si A y B son eventos, entonces A∩B (se lee A intersección B) es otro evento, A∩B ocurre sí
y solo sí ocurre A y ocurre B.

Si A es un evento, 𝐴 es el evento complementario es decir A ocurre sí y solo sí 𝐴 no ocurre.

Ejemplo 4
Si se consideran los eventos A y B del ejemplo 3 a (Evento A: “número par”, Evento B: “número
menor o igual que 3”), se tiene:

A∪B = {1, 2, 3, 4, 6} (“número par” o “número menor o igual que 3”)

A∩B = {2} (“número par” y “número menor o igual que 3”)

𝐴 = {1, 3, 5} (“número no par”)

3
 2.3. Asignación de probabilidades
La probabilidad es un valor que expresa la medida de la posibilidad de que ocurra un evento.
Asume valores comprendidos entre 0 y 1. Un evento cuya probabilidad de ocurrencia es cero es
un evento que no va a ocurrir, si la probabilidad es 1 ocurrirá con total certeza.

¿Cuál es el valor de probabilidad que describe una situación de

Pregunta máxima incertidumbre?

Para asignar la probabilidad a un evento existen varias escuelas de pensamiento.

2.3.1. Probabilidad clásica

La definición clásica adjudicada al matemático Pierre Simón Laplace establece que la
probabilidad de un evento es la razón entre el número de casos favorables y el número total de
casos posibles, siempre que los casos sean equiprobables. En símbolos:

𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠

𝑝(𝐴) =
𝑛ú𝑚𝑒𝑟𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠

Ejemplo 5
Supongamos que se tira un dado equilibrado, esto es que todas las caras tienen igual
probabilidad de caer hacia abajo. Consideremos los eventos D: “que salga un 5”, E: “que salga
un número mayor o igual a 5” y F: “que salga un número par”. Para calcular las probabilidades
de cada evento se debe contar la cantidad de resultados pertenecientes a cada evento y utilizar
la definición dada. Así:
1 ¿Por qué?
𝑝(𝐷) =
6
¿Por qué?

2
𝑝(𝐸) = = 0, 3̂
6

3
𝑝(𝐹) = = 0,5
6

En cambio si el experimento aleatorio se realiza con un dado que tiene alguna deformación
o su centro de gravedad está desplazado, nada garantiza que la probabilidad de obtener un 5
sea 1/6. En ese caso es necesario recurrir a otra forma de asignación de probabilidades.

4
 2.3.2. Probabilidad empírica
Esta teoría afirma que un procedimiento válido para calcular la probabilidad de eventos
asociados a un experimento aleatorio es el de repetir el experimento un número grande de
veces y registrar la frecuencia relativa con que el evento ocurre. Imaginemos una serie de N
repeticiones y sea NA el número de ellas en que el suceso A ocurrió. La fracción N A /N es la
frecuencia relativa de A en N repeticiones. Es un hecho experimentalmente observable (si la
experiencia se realiza en iguales condiciones) que a medida que N crece, la frecuencia relativa
de un evento A tiende a estabilizarse alrededor de un valor límite. Ese valor límite es la
probabilidad de A. Simbólicamente:
𝑁𝐴
𝑝(𝐴) = lim
𝑁→∞ 𝑁

Ejemplo 6
Se tiene una moneda y no se sabe si está “equilibrada” (esto quiere decir que al arrojarla la
probabilidad de obtener una cara es igual a la probabilidad de sacar ceca). Si se desea conocer
la probabilidad de obtener una cara, se debe repetir el experimento aleatorio un número grande
de veces, observar la cantidad de caras que se obtienen y dividirlo por el total de repeticiones
que se efectuaron. Dicho valor es la probabilidad que se desea conocer.

La probabilidad de que sufra alguna rotura el transporte en el

Pregunta que una persona se está trasladando es 0,50 ya que sólo se
tienen dos casos posibles: se rompe o no se rompe. ¿Esto es
correcto? ¿Esta probabilidad se debe calcular según la
probabilidad clásica o la empírica?

2.3.3. Probabilidad subjetiva

En esta teoría la asignación de probabilidades se basa en conocimientos del contexto en
que se está trabajando a partir de evidencias disponibles, en opiniones personales, o en
experiencias previas. La probabilidad asignada a un evento puede ser distinta para distintas
personas que la asignen. Un ejemplo es el pronóstico del tiempo. Se realizan predicciones de
cómo serán las condiciones climáticas para un período de tiempo, basadas en conocimientos
científicos pero no por repetir un experimento aleatorio un número grande de veces ni por
identificar la cantidad de casos favorables sobre la cantidad de casos posibles.
La asignación de probabilidad subjetiva se da generalmente cuando los eventos ocurren un
número reducido de veces.

Sin embargo en las organizaciones a pesar de que es común tomar decisiones en base a la
probabilidad subjetiva la mayoría de las veces ésta se respalda con datos estadísticos.

5
 2.4. Reglas para el cálculo de probabilidades

2.4.1. Probabilidad simple

La probabilidad simple es la que se asigna a un evento descripto por una sola característica.
Se basa en las teorías explicadas anteriormente.

Ejemplo 7
a) En el experimento aleatorio de extraer una carta al azar de un mazo de 40 cartas
españolas, la probabilidad del evento A: “la carta extraída es un as”:

𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑎𝑠𝑒𝑠 4
𝑝(𝐴) = = = 0,10
𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑐𝑎𝑟𝑡𝑎𝑠 40

Para el mismo experimento aleatorio, dado evento B: ”la carta extraída es de espadas”

𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑒𝑠𝑝𝑎𝑑𝑎𝑠 10
𝑝(𝐵) = = = 0,25
𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑐𝑎𝑟𝑡𝑎𝑠 40

Finalmente, para el evento C:” la carta extraída es una figura (rey, caballo o sota)”

𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑓𝑖𝑔𝑢𝑟𝑎𝑠 12
𝑝(𝐶) = = = 0,30
𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑐𝑎𝑟𝑡𝑎𝑠 40

b) En el experimento aleatorio de extraer al azar una tuerca de un lote de 50 piezas que

contiene 4 defectuosas, la probabilidad del evento D: “la pieza extraída no es defectuosa”:
𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑡𝑢𝑒𝑟𝑐𝑎𝑠 𝑛𝑜 𝑑𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑎𝑠 46
𝑝(𝐷) = = = 0,92
𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑡𝑢𝑒𝑟𝑐𝑎𝑠 50

Pregunta ¿Cuánto vale 𝑝 (𝐴̅), 𝑝(𝐵̅), 𝑝 (𝐶̅ ) 𝑦 𝑝 (𝐷

̅ )?

2.4.2. Probabilidad de la intersección de eventos

Si en el experimento aleatorio del ejemplo 7a) se quiere establecer la probabilidad de que
la carta extraída sea un as de espadas, se está pidiendo que se cumplan simultáneamente dos
eventos: el evento A y el evento B. En símbolos se quiere calcular P(A ∩ B). Utilizando la
definición clásica se tiene:

6
 𝑛º 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑎𝑠𝑒𝑠 𝑑𝑒 𝑒𝑠𝑝𝑎𝑑𝑎 1
𝑝(𝐴 ∩ 𝐵) = = =
𝑛º 𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑐𝑎𝑟𝑡𝑎𝑠 40
Veremos más adelante otra forma de realizar este cálculo que será de gran ayuda cuando
no se cuenta con toda la información necesaria para el cálculo directo.

2.4.3. Probabilidad condicional

En ocasiones la probabilidad de ocurrencia de un evento puede estar condicionada por la
ocurrencia de otro.
Ejemplo 8
Supongamos el experimento aleatorio de extraer al azar sin reemplazo dos bolillas de una
urna que contiene 7 bolillas rojas y 3 blancas. Asumimos que las bolillas de un mismo color son
distinguibles.
Consideramos los eventos A: “la primer bolilla extraída es blanca”, y B: “la segunda bolilla
extraída es blanca”.
Es claro que P(A) = 3/10. Pero si queremos calcular P (B) no es tan directo. Podemos calcular
la probabilidad de B sabiendo que A ocurrió: es igual a 2/9, ya que si A ocurrió, entonces en la
urna quedaron 9 bolillas de las cuales 2 son blancas. La probabilidad anterior la anotamos P(B/A)
y se lee: probabilidad condicional de B habiendo ocurrido A. Es decir P(B/A) = 2/9.
Notar que podemos interpretar lo anterior de la siguiente forma: el espacio muestral
original S se ha reducido al evento A, es decir se toma a A como nuevo espacio muestral para
calcular la probabilidad de B.
También podemos interpretar que la probabilidad condicional de B dado A debería ser la
proporción de veces que ocurre A∩B con respecto al número de veces que ocurre A. Esta idea
motiva la siguiente definición:
Sean A y B dos eventos de un espacio muestral S. La probabilidad condicional de B dado A
se define como:
P(A∩B)
P(B/A) = si P(A) ≠ 0
P(A)

Análogamente:
P(A∩B)
P(A/B) = si P(B) ≠ 0
P(B)

En algunos casos se puede calcular P(A/B) directamente reduciendo el espacio muestral. En

otros será necesario aplicar la definición anterior.

Ejemplo 9
a) Se tira un dado normal dos veces. Sean los eventos A: “la suma de los números obtenidos
es 6” y B: “el primer número es igual a 4”. Entonces para calcular P(A/B) mediante la definición
de probabilidad condicional

7
 1
𝑃(𝐴∩𝐵) 36 1
P(A/B) = = 6=
𝑃(𝐵) 36
6

También podemos calcularlo en forma directa, reduciendo el espacio muestral, de todos los
pares que forman el evento B, observamos cuáles cumplen con lo requerido por A, es decir de
todos los pares de B, solo uno tiene la propiedad de que sus componentes suman 6, por lo tanto
P(A/B) = 1/6.
b) En cierta ciudad, 40% de la población tiene cabellos castaños, 25% tiene ojos castaños y
15% tiene cabellos y ojos castaños. Se escoge una persona al azar. Sean los eventos A: “la
persona elegida al azar tiene ojos castaños”, B: “la persona elegida al azar tiene cabellos
castaños”. Si se selecciona un individuo que tiene cabellos castaños, ¿cuál es la probabilidad de
que también tenga ojos castaños?
𝑃(𝐴∩𝐵) 0,15
P(A/B) = = = 0,375
𝑃(𝐵) 0,40

2.4.4. Regla de la multiplicación

𝑃(𝐴∩𝐵)
Como se dijo antes, si A y B son dos eventos entonces P(A/B) = si P(B) ≠ 0
𝑃(𝐵)

Por lo tanto
P(A ∩ B) = P(B) . P(A/B)

𝑃(𝐴∩𝐵)
Análogamente de P(B/A) = si P(A) ≠ 0
𝑃(𝐴)

Se deduce que
P(A ∩ B) = P(A) . P(B/A)

Ejemplo 10
Consideremos el experimento de extraer dos bolillas al azar sin reemplazo de una urna que
contiene3 bolillas blancas y 7 rojas. Si A: “la primer bolilla extraída es blanca”, y B: “la segunda
bolilla extraída es blanca”, entonces:
3 2
P(A∩B) = P(A) . P(B/A) = .
10 9

2.4.5. Eventos independientes

Dos eventos son independientes si la probabilidad de ocurrencia de uno no se ve modificada
por la ocurrencia del otro.
Ejemplo 11
Supongamos la situación ya analizada de extraer dos bolillas al azar sin reemplazo de una
urna que contiene 3 bolillas blancas y 7 rojas. Si A: “la primer bolilla extraída es blanca”, y B: “la
segunda bolilla extraída es blanca” cabe preguntarse si A y B son independientes. Para ello
hagamos algunos cálculos.

8
 2
La probabilidad de que ocurra B habiendo ocurrido A es P(B/A) = (¿por qué?) y la
9
3
probabilidad de que ocurra B no habiendo ocurrido A es P(B/A) = (¿por qué?). Se puede ver
9
que la probabilidad de que ocurra B depende de si el evento A ocurre o no. Por lo tanto A y B no
son independientes. Del análisis anterior se desprende lo siguiente.

Si A y B son eventos independientes se cumple que P(B/A) = P(B/𝐀) = P(B)

Notar que por la regla de la multiplicación:

Si A y B son eventos independientes se cumple que P(A∩B) = P(A) . P(B)

¿Qué modificación se debería hacer en el experimento aleatorio de

Pregunta extraer dos bolillas mencionado en el ejemplo para que los eventos
A y B sean independientes?

2.4.6. Probabilidad de la unión de eventos

Si en el mismo experimento aleatorio del ejemplo 7a) se quiere establecer la probabilidad
de que la carta extraída sea un as o una figura, simbólicamente la probabilidad buscada es
𝑝(𝐴𝑈𝐶). Para dicho cálculo podemos recurrir a la definición clásica:
𝑛º 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑎𝑠𝑒𝑠 + 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑓𝑖𝑔𝑢𝑟𝑎𝑠 4 + 12
𝑝(𝐴𝑈𝐶) = = =
𝑛º 𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑐𝑎𝑟𝑡𝑎𝑠 40
Comparando con los resultados obtenidos en el ejemplo a del apartado 2.4.1 se observa
que el cálculo precedente coincide con la suma de las probabilidades individuales de los eventos
simples A y C. Es decir:
𝑝(𝐴𝑈𝐶) = 𝑝(𝐴) + 𝑝(𝐶)
Esto se debe a que los eventos A y C no tienen elementos en común, su intersección es un
conjunto vacío. En símbolos A ∩ C = ∅. Cuando esto ocurre se dice que los eventos A y B son
mutuamente excluyentes o disjuntos.
¿Qué ocurrirá si los eventos no son excluyentes? Es decir si ambos sucesos tienen elementos
en común, ¿cómo se calcula la probabilidad de la unión?
Se quiere calcular la probabilidad de que la carta extraída sea un as o una carta de espadas.
Simbólicamente es p(AUB).
𝑛º 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠
𝑝(𝐴𝑈𝐵) =
𝑛º 𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠

𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑎𝑠𝑒𝑠 + 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑒𝑠𝑝𝑎𝑑𝑎𝑠 − 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑎𝑠𝑒𝑠 𝑑𝑒 𝑒𝑠𝑝𝑎𝑑𝑎𝑠

𝑝(𝐴𝑈𝐵) =
𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑐𝑎𝑟𝑡𝑎𝑠
Debemos observar que al sumar los casos favorables cada caso debe contarse una sola vez.
Si sumamos la cantidad de ases más la cantidad de espadas estamos sumando dos veces al as
de espadas. Es por eso que luego se lo resta.
Se deduce entonces que:
P(AUB) = P(A) + P(B) - P(A ∩ B)

9
 Como puede apreciarse que el caso de eventos disjuntos es un caso particular de éste último
para eventos mutuamente excluyentes en los cuales P(A ∩ B) = 0.

3. VARIABLE ALEATORIA
3.1. Definición
Formulamos la siguiente definición: sea S el espacio muestral asociado a un experimento
aleatorio. Una variable aleatoria (v.a.) es una función que asigna a cada elemento de S un
número real.
Es importante destacar, que para un mismo experimento aleatorio (y espacio muestral)
puede definirse una gran cantidad (infinita) de variables aleatorias. Por ejemplo, para el
experimento aleatorio de tirar una moneda 3 veces y registrar la secuencia de caras y cecas
obtenidas, puede definirse por ejemplo, la variable aleatoria “cantidad de caras” (que tomaría
los valores 0, 1, 2 y 3), “cantidad de cecas”, “cantidad de cambios en la secuencia” (si se tiene,
por ejemplo, CSCC, se registran dos cambios, uno de C a S y otro de S a CC).
Notación: se anota a una variable aleatoria con letras mayúsculas, por ejemplo: X, Y, Z, W,…
Entonces, si X es una variable aleatoria de S en R la notamos como sigue:
X: S → R tal que X(s) = x
donde S representa el espacio muestral, s un elemento de dicho espacio;
X una variable aleatoria y x un valor particular de esa variable.
Ejemplo 12
En el experimento aleatorio de tirar una moneda tres veces podemos considerar la v.a.
X: S → R definida por X: “Cantidad de caras”. Entonces:
X(CCC) = 3
X(CCX) = X(CXC) = X (XCC) = 2
X(CXX) = X(XCX) = X (XXC) = 1
X(XXX) = 0
(No confundir la X que representa a la variable aleatoria “Cantidad de caras”, con la que
representa la ceca de la moneda).

¿Qué otras variables aleatorias podría definir asociadas al mismo

Pregunta experimento aleatorio? ¿Y asociadas al experimento de arrojar un
dado dos veces?

3.2. Variable aleatoria discreta

Si una variable aleatoria puede tomar solamente un número finito de valores o un número
infinito numerable de valores se la llama discreta. Así por ejemplo son variables aleatorias
discretas la suma de los números obtenidos al tirar un dado dos veces, la cantidad de tornillos

10
defectuosos fabricados por una determinada maquinaria, la cantidad de enfermos que
responden satisfactoriamente a un tratamiento médico, etc.

3.2.1. Función masa de probabilidad

Cada valor que asume una variable aleatoria se corresponde con un evento asociado a un
experimento aleatorio, razón por la cual es pertinente calcular la probabilidad de ocurrencia.
Ejemplo 13
Consideremos la variable aleatoria X: “número de caras que se observan al tirar una moneda
tres veces” las probabilidades correspondientes a los valores de X son:
P(X=0) = 1/8 (se refiere a la probabilidad de obtener 0 caras al tirar una moneda 3 veces)
P(X=1) =3/8
P(X=2) = 3/8
P(X=3) = 1/8
En general si X es una v.a. discreta, a cada valor xi que asume dicha variable se le asigna un
valor p(xi) = p(X = xi). Esta asignación debe cumplir las siguientes condiciones:
a) p(xi) ≥ 0 , para todo i
b) ∑ p(x𝑖 ) = 1
La función p(x) así definida se llama función de probabilidad o función masa de
probabilidad.
Una función masa de probabilidad puede presentarse en forma de tabla y de gráfico. En el
Ejemplo 15 la tabla y el gráfico correspondientes son:
p(x)
X 0 1 2 3

p(x) 1/8 3/8 3/8 1/8

1
3/4

1/2

1/4

0 1 2 3 X

¿Qué diferencia existe entre una tabla de

Pregunta
distribución de probabilidades y una tabla de
distribución de frecuencias?

11
 3.2.2. Esperanza matemática y varianza
Se llama esperanza de la variable aleatoria discreta X, al número:
𝑛

𝐸(𝑋) = ∑ 𝑥𝑖 𝑝(𝑥𝑖 )
𝑖=1

E(X) = x1p1 + x2p2 +. ..+xnpn

donde n representa la cantidad total de valores posibles de X,

x1, x2 ,. .., xn los valores de la variable aleatoria y

p1, p2, ..., pn las probabilidades respectivas.

La esperanza de una variable aleatoria X también se representa por µ, y se llama media de

la distribución. Por tanto, “esperanza de la variable aleatoria” y “media de la distribución” son
expresiones equivalentes.
Para la variable aleatoria del Ejemplo 15 “número de caras al arrojar una moneda 3 veces”
la esperanza matemática será:
µ = E(X) = 0 . 1/8 + 1. 3/8 + 2. 3/8 + 3 . 1/8 = 1,5 caras.
Es muy importante que se interprete correctamente este valor. Se dice que el número
esperado de caras al arrojar una moneda tres veces es 1,5. Esto no significa, obviamente, que
dicho valor se obtenga al realizar el experimento aleatorio una vez. El correcto significado es
que, si el experimento aleatorio se repite un número grande de veces, se espera que en
promedio se obtengan 1,5 caras por vez.
Sin embargo, el valor esperado no informa nada acerca del grado de dispersión de los
resultados de una variable aleatoria. Es necesario entonces acompañar dicho valor con un
indicador de variabilidad. El más importante es la varianza:

𝑉(𝑋) = ∑(𝑥𝑖 − 𝐸(𝑋))2 𝑝(𝑥𝑖 )

𝑖=1

V (X) = (x1 – E(X))2 .p1 + = (x2 - E(X))2 .p2 +. ..+ (xn - E(X))2 .pn

Para el cálculo práctico es más conveniente usar la siguiente expresión que es

matemáticamente equivalente a la definición anterior (la demostración de esta equivalencia no
se incluye en este material):
𝑛

𝐸(𝑋2 ) = ∑ 𝑥𝑖2 𝑝(𝑥𝑖 )

𝑖=1

12
o

V (X)] = E(X2) – (E(X))2

donde E[x2] = x1 2 . p1 + x2 2 . p1 +. ..+ xn 2 . pn

En el ejemplo anterior el cálculo de la varianza es:

V(X) = (02 . 1/8 + 12. 3/8 + 22. 3/8 + 32 . 1/8) – 1,52 = 3,57 – 2,25 = 1,31 caras2
Puesto que la varianza no queda expresada en las mismas unidades que la variable, se utiliza
la raíz cuadrada de la varianza y a este número la llamamos desviación estándar.

σ = √V(X)

En nuestro ejemplo σ = √1,31 = 1,15 caras.

El valor de la varianza o del desvío estándar se utiliza para complementar el de esperanza
matemática cuando se trata de decidir en contextos de incertidumbre. Por ejemplo, si se debe
decidir entre dos carteras de inversiones es claro que cualquier asesor recomendaría invertir en
los contextos que presenten ganancias con mayor esperanza matemática. Pero si hubiera más
de un contexto con igual (y máxima) esperanza, entonces será recomendable elegir el de menor
varianza, ya que minimizará las fluctuaciones que podrán provocar momentos de mucha liquidez
seguidos de momentos de escasez.

3.3. Variable aleatoria continua

Si la variable aleatoria puede tomar una cantidad infinita y no numerable de valores se la
llama continua. Así, por ejemplo, son variables aleatorias continuas el tiempo que transcurre
entre el ingreso de dos clientes a un local, el contenido de las botellas de gaseosas que son
llenadas por una máquina, la distancia que separa una parcela edificada del centro urbano más
cercano, las alturas y los pesos de un grupo de personas, etc.

También puede decirse que una variable discreta está asociada con un proceso de conteo,
mientras que una continua con un proceso de medición.

El tratamiento matemático para el cálculo de probabilidades de v.a continuas involucra

conceptos que quedan fuera del alcance de este curso.

13